العامة التعميمية (DG) هي موضوع بحثي أساسي ولكن صعب للغاية في التعلم الآلي. يركّز الفن الحالي بشكل رئيسي على تعلّم ميزات غير مرتبطة بالمنطقة (domain-invariant features) باستخدام مجالات مصدر محدودة في نموذج ثابت. للأسف، يفتقر هذا النهج إلى آلية خالية من التدريب تُمكّن من تعديل النموذج عند تعميمه على مجالات هدف غير محددة (agnostic target domains). ولحل هذه المشكلة، نطوّر نسخة جديدة من التعميمية (DG)، تُسمى التعميمية الديناميكية (DDG)، حيث يتعلم النموذج تدوير معاملات الشبكة لتناسب البيانات من مجالات مختلفة. بشكل خاص، نستخدم مُعدّلاً متعدد (meta-adjuster) لتعديل معاملات الشبكة استنادًا إلى النموذج الثابت، مع الأخذ بعين الاعتبار بيانات من مجالات مختلفة. بهذه الطريقة، يُحسَّن النموذج الثابت لتعلم الميزات المشتركة بين المجالات، بينما يُصمَّم المُعدّل المتعدد لتعلم الميزات المميزة لكل مجال. ولتمكين هذه العملية، نستخدم تقنية DomainMix لمحاكاة بيانات من مجالات متنوعة أثناء تدريب المُعدّل المتعدد لتمكينه من التكيّف مع المجالات المستهدفة المستقبلية غير المحددة. يُحفّز هذا المبدأ التعلّمي النموذج على التعميم إلى مجالات هدف غير محددة مختلفة من خلال تعديل النموذج دون الحاجة إلى تدريب إضافي. أظهرت التجارب الواسعة فعالية الطريقة المقترحة. يمكن الوصول إلى الكود من خلال: https://github.com/MetaVisionLab/DDG